[发明专利]基于深度学习的人脸检测速度优化方法及装置

说明书

本发明公开了一种基于深度学习的人脸检测速度优化方法及装置，该方法包括：将深度学习模型中的浮点数据定点化；将人脸图像中的数据定点化；对深度学习模型中定点化后的数据以及人脸图像中定点化后的数据进行平行运算；重复平行运算的步骤，直到整个深度学习模型运算完并输出人脸目标框坐标信息以及人脸目标框校正信息；将人脸目标框校正信息还原成相应的浮点数据；将人脸目标框坐标信息与还原后的人脸目标框校正信息进行结合，对人脸目标框进行调整，最终获得人脸真正目标框位置。本发明可以节省数据占用空间，定点运算可以提高处理数据的效率；平行运算可以减少总体运算次数，提高效率和节省时间，达到降低硬件成本和提升人脸检测速度的效果。

技术领域

本发明涉及人脸检测领域，特别地，涉及一种基于深度学习的人脸检测速度优化方法及装置。

背景技术

人脸识别检测研究，主要包括人脸检测技术和人脸识别技术的研究。人脸识别检测是指对于任意一幅给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果是，则返回人脸的位置、大小和姿态，接着对人脸进行识别。它是一个复杂的具有挑战性的模式检测问题。同时，人脸检测要走向实际应用，精度和速度是亟需解决的两个关健问题，自20世纪90年代以来，人脸检测的精度得到了大幅度的提高，但是速度却一直达不到应用系统用户满意的程度，为此研究者们付出艰辛的努力。

深度学习是近十年来人工智能领域取得的最重要的突破之一。它在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等诸多领域都取得了巨大成功。

深度学习与传统模式识别方法的最大不同在于它所采用的特征是从大数据中自动学习得到，而非采用手工设计。好的特征可以提高模式识别系统的性能。过去几十年，在模式识别的各种应用中，手工设计的特征一直处于统治地位。手工设计主要依靠设计者的先验知识，很难利用大数据的优势。由于依赖手工调参数，因此特征的设计中所允许出现的参数数量十分有限。深度学习可以从大数据中自动学习特征的表示，可以包含成千上万的参数。

采用手工设计出有效的特征往往需要五到十年时间，而深度学习可以针对新的应用从训练数据中很快学习到新的有效的特征表示。

一个模式识别系统包括特征和分类器两部分。在传统方法中，特征和分类器的优化是分开的。而在神经网络的框架下，特征表示和分类器是联合优化的，可以最大程度地发挥二者联合协作的性能。

深度学习采用了与传统神经网络相似的分层结构，系统由包括输入层、隐层(多层)、输出层组成的多层网络，只有相邻层节点之间有连接，同一层以及跨层节点之间相互无连接，每一层可以看作是一个logistic regression模型；这种分层结构，比较接近人类大脑结构。

深度学习由于计算量大，计算复杂，所以基于深度学习的人脸检测速度上与传统方法比较起来，具有一定劣势。针对深度学习人脸检测速度优化，存在很多的方案，如改变硬件条件，使用高性能硬件GPU，采用快速加速软件ATBLAS、Openblas、NNPACK等。这些现有的技术方案，都需要硬件具备相应的支持单位，如果没有相应的支持单位，速度提升就会存在相应的瓶颈；另外在低端CPU上，支持效果达不到理想情况。

发明内容

本发明提供了一种基于深度学习的人脸检测速度优化方法及装置，以解决现有方案硬件成本高、无法在低端CPU上实现速度提升的技术问题。

本发明采用的技术方案如下：

根据本发明的一方面，提供了一种基于深度学习的人脸检测速度优化方法，该方法包括：将深度学习模型中的浮点数据定点化；将人脸图像中的数据定点化；对深度学习模型中定点化后的数据以及人脸图像中定点化后的数据进行平行运算；重复平行运算的步骤，直到整个深度学习模型运算完并输出人脸目标框坐标信息以及人脸目标框校正信息；将人脸目标框校正信息还原成相应的浮点数据；将人脸目标框坐标信息与还原后的人脸目标框校正信息进行结合，对人脸目标框进行调整，最终获得人脸真正目标框位置。